| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 模型传递研究现状 | 第12页 |
| 1.2.2 近红外光谱药品鉴别研究现状 | 第12-14页 |
| 1.2.3 机器学习中的深度学习研究现状 | 第14-15页 |
| 1.3 论文主要研究内容及组织结构 | 第15-18页 |
| 1.3.1 论文的主要研究内容 | 第15-16页 |
| 1.3.2 论文的组织结构 | 第16-18页 |
| 第二章 近红外光谱仪分析的基本原理及方法 | 第18-25页 |
| 2.1 近红外光谱仪 | 第18-19页 |
| 2.1.1 近红外光谱仪的分类 | 第18页 |
| 2.1.2 傅里叶近红外光谱仪 | 第18-19页 |
| 2.2 近红外光谱分析的基本原理 | 第19-24页 |
| 2.2.1 近红外光谱分析流程 | 第19-20页 |
| 2.2.3 近红外光谱预处理中小波变换原理 | 第20-21页 |
| 2.2.4 近红外光谱特征提取中自编码的原理 | 第21-24页 |
| 2.3 本章小结 | 第24-25页 |
| 第三章 傅里叶近红外光谱仪的机械结构及模型传递方法 | 第25-35页 |
| 3.1 迈克尔逊干涉仪的机械结构 | 第25-27页 |
| 3.1.1 迈克尔逊干涉仪的动镜驱动 | 第25页 |
| 3.1.2 迈克尔逊干涉仪的轴承 | 第25-26页 |
| 3.1.3 改进轴承机械结构的迈克尔逊干涉仪 | 第26-27页 |
| 3.2 模型传递方法 | 第27-29页 |
| 3.2.1 模型传递方法分类 | 第28页 |
| 3.2.2 一元线性回归直接标准化算法 | 第28页 |
| 3.2.3 光谱数据预处理及模型传递的评价指标 | 第28-29页 |
| 3.3 模型传递算法 | 第29页 |
| 3.4 实验数据及结果分析 | 第29-32页 |
| 3.4.1 实验数据 | 第29-30页 |
| 3.4.2 数据处理 | 第30-31页 |
| 3.4.3 使用wSLRDS算法建立传递模型 | 第31-32页 |
| 3.5 实验结果 | 第32-33页 |
| 3.6 结论 | 第33-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第四章 稀疏降噪自编码结合高斯过程的药品鉴别 | 第35-44页 |
| 4.1 高斯过程 | 第35-37页 |
| 4.2 wSDAG_(SM)算法 | 第37页 |
| 4.3 实验数据及模型 | 第37-41页 |
| 4.3.1 通用性片剂近红外光谱采集方法 | 第37-38页 |
| 4.3.2 实验数据 | 第38-39页 |
| 4.3.3 数据处理 | 第39-40页 |
| 4.3.4 建立分类模型 | 第40-41页 |
| 4.4 结果与讨论 | 第41-43页 |
| 4.5 结论 | 第43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 稀疏降噪自编码结合支持向量机的药品鉴别 | 第44-54页 |
| 5.1 高斯过程与支持向量机的联系 | 第44页 |
| 5.2 支持向量机 | 第44-45页 |
| 5.2.1 支持向量机原理 | 第44-45页 |
| 5.2.2 支持向量机一对一多分类算法 | 第45页 |
| 5.3 wSDAM_(RBF)算法 | 第45-46页 |
| 5.4 实验数据及模型 | 第46-48页 |
| 5.4.1 实验数据 | 第46页 |
| 5.4.2 数据处理 | 第46-47页 |
| 5.4.3 建立分类模型 | 第47-48页 |
| 5.5 结果与讨论 | 第48-51页 |
| 5.5.1 二分类实验结果与讨论 | 第48-50页 |
| 5.5.2 多分类实验结果与讨论 | 第50-51页 |
| 5.6 模型对比分析 | 第51-52页 |
| 5.7 结论 | 第52-53页 |
| 5.8 本章小结 | 第53-54页 |
| 第六章 结论与展望 | 第54-56页 |
| 6.1 结论 | 第54-55页 |
| 6.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 攻读学位期间发表的学术论文目录 | 第62页 |